طراحی، ساخت و شناسایی وضعیت یک چهارپره قابل حمل بر اساس داده‌های تست پروازی مبتنی ‌بر روش و الگوریتم ژنتیک و شبکه عصبی

این مقاله به دو بخش اصلی تقسیم می‌شود: بخش اول فرآیند طراحی، ساخت و انتخاب المان‌های چهارپره و در بخش دوم مدل‌سازی و تخمین پارامترهای مدل مبتنی‌بر روش الگوریتم ژنتیک و شبکه عصبی انجام شده‌است. چهارپره ساخته شده در اینجا با دو رویکرد اصلی قابل حمل و ارزان قیمت بودن طراحی ساخته شده‌است. بنابراین، سعی شده‌است که چهارپره با المان‌های تجاری ساخته شود. ازطرفی در ادامه برای طراحی کنترل‌کننده مناسب و استخراج ضرایب کنترلی، نیاز به در اختیار داشتن مدلی مناسب و دقیق از دینامیک پرنده است. هدف دومی که در این مقاله دنبال می‌شود شناسایی مدل و استخراج مدل مناسب توابع تبدیل وضعیت چهارپره براساس نتایج تست پروازی است. در این پرنده اتوپایلوت دارای دو حلقه کنترلی از نوع pd است که با استفاده از پسخورد داده‌های ناوبری و مقایسه آن با مقادیر وضعیت مطلوب در هر لحظه چهارپره را کنترل می‌نماید. سپس با استفاده از داده‌های تست پروازی شامل زوایا و نرخ تغییرات آن‌ها و با در نظر گرفتن یک تابع تبدیل گسسته مرتبه دوم دکوپله برای هر کانال وضعیت، شناسایی سیستم مبتنی‌بر دو روش الگوریتم ژنتیک و شبکه عصبی انجام گردیده است. نتایج حاصله بیانگر این است که به‌صورت کلی میزان تطبیق در هر سه کانال به روش الگوریتم ژنتیک 81.48 درصد و برای روش الگوریتم شبکه عصبی 82.62 درصد است.

designing, construction and attitude identification of a portable quadcopter using flight test data based on genetic algorithm and artificial neural networks

the current research has two main parts, the first part is the process of design, manufacture and selection of quadrotor’s elements and the second part is modeling and estimation of model parameters based on flight test data. the main approach of making this drone is to be light and cheap. also, it is very useful to develop a precise mathematical model for the quadrotor to control the system. therefore, a system identification method for the quadrotor model based on genetic algorithm and neural network is investigated in the second part. the advantage of system identification based on experimental data is designing a better controller. using flight test data including angles and rate of them, the identification of the system based on the two methods of genetic algorithm and neural network has been done. for genetic algorithm modeling, a linear second order function is considered for each channel. meanwhile, it is assumed that the channels are decoupled from each other. the results show that in the roll axis, the results of the identification are the same, in the pitch axis, the accuracy of identification with the second order function and the genetic algorithm method has better results, but in the yaw axis, the accuracy of identification with the neural network is significantly better. in general, the adaptability in all three axes is 81.48% for the genetic algorithm method and 82.62% for the neural network algorithm method.